自适应计算和机器学习系列

构建能够适应其环境并从其经验中学习的系统的目标吸引了来自许多领域的研究人员，包括计算机科学、工程、数学、物理、神经科学和认知科学。在这项研究中，出现了各种各样的学习技术，包括学习决策树、决策规则、神经网络、统计分类器和概率图形模型的方法。这些不同领域的研究人员还为理解这些方法提出了几个不同的理论框架，如计算学习理论、贝叶斯学习理论、经典统计理论、最小描述长度理论和统计力学方法。这些理论提供了对实验结果的见解，并有助于指导改进学习算法的开发。本系列的目标是促进机器学习研究的多个不同方面的统一，并促进高质量的研究和创新应用。本系列将出版最高质量的作品，促进对机器学习和自适应计算的理解和实际应用。研究专著、入门级和高级教科书、从业者的操作手册都将被考虑在内。有关提案和手稿提交的信息，请联系上述任何系列编辑或出版商伊丽莎白·斯威兹(epswowze@mit.edu). 该系列的编辑是弗朗西斯·巴赫。

系列编辑器：弗朗西斯·巴赫